更新时间：2021-03-24 17:45:38
封面
扉页
内容提要
丛书序
前言
微课视频列表说明
第1章 机器学习概述
1.1 引言
1.2 机器学习的分类
1.3 机器学习的发展历程及应用
本章习题
第2章 Python科学计算简介
2.1 基础变量类型
2.2 控制语句和函数
2.3 用于科学计算和数据处理的库
2.4 作图和可视化
2.5 输入和输出
2.6 面向对象编程
2.7 Python常用工具库
第3章 无监督学习
3.1 描述性统计
3.2 核密度估计
3.3 k均值算法
3.4 主成分分析
3.5 混合模型和隐马尔可夫模型
第4章 线性回归和正则化方法
4.1 回归分析流程
4.2 变量选择基础
4.3 正则化方法
4.4 回归估计和矩阵分解
第5章 分类
5.1 判别分析
5.2 逻辑回归
5.3 支持向量机
5.4 分类的评判
第6章 局部建模
6.1 样条方法
6.2 核技巧
6.3 局部回归
第7章 模型选择和模型评估
7.1 模型评估
7.2 模型选择
7.3 估计的自由度
7.4 案例分析：期权隐含分布估计（续1）
第8章 统计推断基础
8.1 极大似然估计
8.2 置信区间和假设检验
8.3 Bootstrap方法
8.4 KL距离和信息论相关概念
8.5 EM算法
第9章 贝叶斯方法
9.1 贝叶斯定理
9.2 贝叶斯视角下的频率方法
9.3 抽样方法
9.4 变分推断
第10章 树和树的集成
10.1 回归树和分类树
10.2 Bagging和随机森林
10.3 提升树Boosting Trees
第11章 深度学习
11.1 前馈神经网络和梯度下降算法
11.2 网络结构
11.3 自编码和生成模型
11.4 揭开深度学习的黑箱
第12章 强化学习
12.1 基于值函数的强化学习
12.2 值函数近似和深度Q网络
12.3 策略梯度和Actor-Critic方法
12.4 学习、推演和搜索
参考文献
